用聚类的方法也可以检测离群点。将数据进行划分，那些没有被划分到任何簇的数据点即为离群点。例如，密度的聚类，如果两个对象之间是密度可达的，则这两个对象将被划分到同一组。因此，那些没有被划分到任何一组的对象与其他对象是相互孤立的，这些孤立的对象被认为是离群点。
我们还可以使用k-means算法来检测离群点。使用k-means聚类，数据将划分成k组，每一个数据点都划分到与之距离最小的分组，然后计算每个对象与簇中心之间的距离，并将距离最大的对象作为离群点。下面的例子是在iris数据集上使用k-means算法检测离群点。
> iris2 <- iris[,1:4]
> kmeans.result <- kmeans(iris2, centers = 3)
>#簇中心
> kmeans.result$centers
Sepal.Length Sepal.Width Petal.Length Petal.Width
1 5.006000 3.428000 1.462000 0.246000
2 6.850000 3.073684 5.742105 2.071053
3 5.901613 2.748387 4.393548 1.433871
> kmeans.result$cluster
[1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[37] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
[73] 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 3 2 2 2 2 3 2
[109] 2 2 2 2 2 3 3 2 2 2 2 3 2 3 2 3 2 2 3 3 2 2 2 2 2 3 2 2 2 2 3 2 2 2 3 2
[145] 2 2 3 2 2 3
>#计算对象与簇中心的距离
> centers <- kmeans.result$centers[kmeans.result$cluster,]
> distances <- sqrt(rowSums((iris2-centers)^2))
> outliers <- order(distances, decreasing = T)[1:5]
> print(outliers)
[1] 99 58 94 61 119
> print(iris2[outliers,])
Sepal.Length Sepal.Width Petal.Length Petal.Width
99 5.1 2.5 3.0 1.1
58 4.9 2.4 3.3 1.0
94 5.0 2.3 3.3 1.0
61 5.0 2.0 3.5 1.0
119 7.7 2.6 6.9 2.3
>#簇散点图
> plot(iris2[, c("Sepal.Length","Sepal.Width")], pch="o", col=kmeans.result$cluster,cex=0.3)
>#簇中心点用“*”表示
> points(kmeans.result$centers[,c("Sepal.Length","Sepal.Width")], col=1:3, pch=8, cex=1.5)
>#离群点用“+”表示
> points(iris2[outliers, c("Sepal.Length","Sepal.Width")], pch="+", col=4, cex=1.5)
